基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障研究

唐博文 王智文 胡振寰

摘? ?要：強(qiáng)化學(xué)習(xí)方法在避障研究中應(yīng)用廣泛，針對(duì)其需要消耗大量的計(jì)算資源問題，本文提出一種基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障算法.通過在強(qiáng)化學(xué)習(xí)中加入事件驅(qū)動(dòng)的觸發(fā)機(jī)制，減少無人機(jī)的動(dòng)作決策的同時(shí)找到最優(yōu)路徑，既可以保證性能，又可以降低系統(tǒng)的通信頻率.實(shí)驗(yàn)的仿真結(jié)果表明，該算法可以在學(xué)習(xí)過程中減少對(duì)計(jì)算資源的消耗，并且完成避障任務(wù)的同時(shí)可以明顯加快收斂速度.

關(guān)鍵詞：事件驅(qū)動(dòng);強(qiáng)化學(xué)習(xí);避障;Q-learning

中圖分類號(hào)：TP18? ? ? ? ? ? ? ? ? DOI ：10.16375/j.cnki.cn45‐1395/t.2019.01.015

0? ? 引言

隨著無人機(jī)在工業(yè)、軍事及生活等諸多領(lǐng)域的廣泛應(yīng)用[1-2]，人們對(duì)其智能化的要求也越來越高，無人機(jī)的避障研究越來越被重視.強(qiáng)化學(xué)習(xí)理論是在觀察生物物種的行為學(xué)習(xí)基礎(chǔ)上發(fā)展起來的[3]，可以應(yīng)用在無人機(jī)避障算法中.文獻(xiàn)[4]使用神經(jīng)網(wǎng)絡(luò)（NNs）來進(jìn)行強(qiáng)化學(xué)習(xí)，在學(xué)習(xí)的過程中事件觸發(fā)機(jī)制被設(shè)計(jì)為估計(jì)NN權(quán)重的函數(shù).這種設(shè)計(jì)背后的基本原理是在初始學(xué)習(xí)期間增加事件，以促進(jìn)學(xué)習(xí).文獻(xiàn)[5]提出了一種基于混合學(xué)習(xí)方案的近似動(dòng)態(tài)規(guī)劃與在線探索相結(jié)合的不確定輸入仿射非線性子系統(tǒng)與事件觸發(fā)狀態(tài)反饋的分布式控制方案.將在線控制框架中的探索與標(biāo)識(shí)符相結(jié)合，以降低總體計(jì)算成本，但是在最初的在線學(xué)習(xí)階段需要額外的計(jì)算.通過調(diào)節(jié)系統(tǒng)狀態(tài)和NN權(quán)重估計(jì)誤差來實(shí)現(xiàn)局部一致的最終有界結(jié)果.強(qiáng)化學(xué)習(xí)需要強(qiáng)大計(jì)算能力作為支撐，如何減少學(xué)習(xí)中的計(jì)算量，是本文研究的重要內(nèi)容，在此基礎(chǔ)上本文提出基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障算法.

事件觸發(fā)機(jī)制被設(shè)計(jì)為估計(jì)權(quán)重的函數(shù).這種設(shè)計(jì)背后的基本原理是在初始學(xué)習(xí)期間增加事件，以促進(jìn)學(xué)習(xí).文獻(xiàn)[6]提出了分布式事件觸發(fā)算法解決一階多智能體系統(tǒng)的環(huán)形編隊(duì)問題.當(dāng)執(zhí)行器信號(hào)必須經(jīng)由公共通信網(wǎng)絡(luò)頻繁交換時(shí)，處理器使用率、能耗和通信帶寬方面效率低下的挑戰(zhàn)會(huì)隨著這些情況而增加.因此考慮一種替代控制方式，即事件觸發(fā)控制（ETC），它已經(jīng)在早期工作中提出并進(jìn)一步研究[7-8].文獻(xiàn)[9]報(bào)道了事件觸發(fā)協(xié)議在降低通信頻率和控制更新方面的成功應(yīng)用.文獻(xiàn)[10]討論了在處理包括干擾、時(shí)延和網(wǎng)絡(luò)丟包在內(nèi)的實(shí)際影響時(shí)的事件觸發(fā)機(jī)制.文獻(xiàn)[11]研究了時(shí)間相關(guān)的事件觸發(fā)函數(shù)，其中每個(gè)代理只需要它自己的確切信息，而不需要其周圍環(huán)境.文獻(xiàn)[12]通過在隨機(jī)設(shè)置中建立一個(gè)積分不等式，導(dǎo)出了一個(gè)標(biāo)準(zhǔn)用于根據(jù)線性矩陣不等式的解來計(jì)算合適的事件觸發(fā)控制器.

目前，把事件驅(qū)動(dòng)和強(qiáng)化學(xué)習(xí)結(jié)合的研究相對(duì)較少.因此引入事件觸發(fā)控制方案可以減少網(wǎng)絡(luò)負(fù)載的數(shù)量[8]，信號(hào)是否被采樣取決于系統(tǒng)狀態(tài)的某種事件觸發(fā)條件，而不是時(shí)間流逝[13-15].有關(guān)事件觸發(fā)控制的大量結(jié)果已經(jīng)推導(dǎo)出來[16-22].事件觸發(fā)控制的一個(gè)顯著特點(diǎn)是，通過連續(xù)監(jiān)測瞬時(shí)系統(tǒng)狀態(tài)或通過在線/離線計(jì)算預(yù)測某些與狀態(tài)相關(guān)的功能的值，確定下一個(gè)采樣時(shí)刻.文獻(xiàn)[23]采用一個(gè)評(píng)論者網(wǎng)絡(luò)的Q學(xué)習(xí)框架來近似最優(yōu)成本和一個(gè)零階保持行為網(wǎng)絡(luò)來逼近最優(yōu)控制.本文提出了基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障算法，將基于事件驅(qū)動(dòng)的強(qiáng)化學(xué)習(xí)運(yùn)用到無人機(jī)避障領(lǐng)域中，在避障的同時(shí)優(yōu)化了算法的資源消耗.

1? ? 強(qiáng)化學(xué)習(xí)介紹

1.1? ?強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)（Reinforcement learning）不同于機(jī)器學(xué)習(xí)中的另外兩類學(xué)習(xí)方法（監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)），其基本思想是借鑒人類學(xué)習(xí)的過程，讓智能體（Agent）通過不斷試錯(cuò)來尋找最優(yōu)策略，即累計(jì)回報(bào)最大，因此需要設(shè)置每種狀態(tài)及行動(dòng)對(duì)應(yīng)的回報(bào).

強(qiáng)化學(xué)習(xí)包含4個(gè)主要元素：環(huán)境（Environment）、狀態(tài)（State）、回報(bào)（Reward）、行動(dòng)（Action）.在每個(gè)時(shí)間點(diǎn)t，智能體都會(huì)從可以選擇的行動(dòng)集合A中選擇一個(gè)行動(dòng)執(zhí)行.這個(gè)行動(dòng)集合可以是連續(xù)的也可以是離散的.根據(jù)圖1，在t時(shí)刻，st表示無人機(jī)當(dāng)前的狀態(tài)，αt表示無人機(jī)當(dāng)前動(dòng)作，[rt表示當(dāng)前獎(jiǎng)賞值].狀態(tài)和動(dòng)作之間存在映射關(guān)系，也就是一個(gè)狀態(tài)可以對(duì)應(yīng)一個(gè)動(dòng)作，或者對(duì)應(yīng)不同動(dòng)作的概率（通常用概率來表示，概率最高的就是最值得執(zhí)行的動(dòng)作）.狀態(tài)與動(dòng)作的關(guān)系其實(shí)就是輸入與輸出的關(guān)系，而狀態(tài)到動(dòng)作的映射過程被稱為策略（Policy）.即強(qiáng)化學(xué)習(xí)的目標(biāo)就是找到最優(yōu)策略使得累計(jì)回報(bào)和最大.

1.2? ?Q-learning

Q-table的行和列分別表示狀態(tài)和行動(dòng)的值，Q-table的值[Q（s，a）]用來衡量當(dāng)前狀態(tài)采取行動(dòng)到底有多好.在訓(xùn)練的過程中，可以用式（1）貝爾曼方程去更新Q-table.

基于Q-learning的避障算法通過嘗試各種不同的行動(dòng)來找到最優(yōu)策略，因此帶來了一個(gè)很大的問題，那就是算法可能需要遍歷所有可能的行動(dòng)，從而消耗大量的資源.

2? ? 基于事件驅(qū)動(dòng)的強(qiáng)化學(xué)習(xí)

事件驅(qū)動(dòng)機(jī)制已經(jīng)被證明可以有效減小大規(guī)模網(wǎng)絡(luò)的通信量.根據(jù)已有研究成果，事件驅(qū)動(dòng)條件設(shè)計(jì)主要分為兩類：狀態(tài)相關(guān)和狀態(tài)無關(guān).其主要做法都是通過檢測無人機(jī)采樣前后狀態(tài)的偏差值大小，判斷是否滿足事件驅(qū)動(dòng)條件，來決定間歇性的更新控制輸入，減小控制器與多智能體系統(tǒng)的通信頻率和計(jì)算量.綜合以上分析，區(qū)別于傳統(tǒng)的多智能體強(qiáng)化學(xué)習(xí)算法，在資源有限的情況下，考慮將事件驅(qū)動(dòng)和強(qiáng)化學(xué)習(xí)相結(jié)合，側(cè)重于事件驅(qū)動(dòng)在強(qiáng)化學(xué)習(xí)策略方面的研究.

基于事件驅(qū)動(dòng)的強(qiáng)化學(xué)習(xí)過程不同于經(jīng)典的強(qiáng)化學(xué)習(xí)，首先需要根據(jù)觸發(fā)函數(shù)來判斷事件是否被觸發(fā)，在沒有被觸發(fā)情況下，將直接選用上一個(gè)Q值的動(dòng)作當(dāng)作當(dāng)前的Q的動(dòng)作.

3? ? 仿真結(jié)果及分析

為了驗(yàn)證本文提出算法和基于強(qiáng)化學(xué)習(xí)的無人機(jī)避障算法的性能，在Windows10操作系統(tǒng)下利用matlab2014a軟件進(jìn)行仿真實(shí)驗(yàn).首先設(shè)置一個(gè)20×20的迷宮環(huán)境（如圖2所示），圖2對(duì)應(yīng)的Q值如圖3所示.假設(shè)圖2中無人機(jī)從綠點(diǎn)出發(fā)飛行到紅點(diǎn)結(jié)束，每個(gè)位置飛行都有上下左右4種行動(dòng)（圖2中的箭頭所示）可以選擇.在探索環(huán)境時(shí)，如果碰到障礙物，會(huì)給予一個(gè)很高的懲罰（-50），并且在每次行動(dòng)過后對(duì)迭代的狀態(tài)進(jìn)行評(píng)分，如果無人機(jī)已經(jīng)飛抵終點(diǎn)，則取消給予懲罰，如果沒有到達(dá)終點(diǎn)，給予-1的懲罰，以此來不斷選取回報(bào)最高的動(dòng)作.在無人機(jī)到達(dá)終點(diǎn)前重復(fù)上述步驟，直到步數(shù)確定，可以收斂為止.

圖4和圖5分別對(duì)應(yīng)于本文提出算法和基于強(qiáng)化學(xué)習(xí)的無人機(jī)避障算法的迭代次數(shù).對(duì)比圖4和圖5，可以看出，基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障算法相比僅包含強(qiáng)化學(xué)習(xí)的無人機(jī)避障算法，收斂速度更快，計(jì)算量更少.為了評(píng)估3個(gè)主要參數(shù)對(duì)本文提出算法的整體計(jì)算量的影響，采用改變其中一個(gè)參數(shù)并保持另外兩個(gè)參數(shù)不變進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示.

從表1可以看出保持兩個(gè)參數(shù)不變，只改變一個(gè)參數(shù)時(shí)，算法的優(yōu)化率有很大的不同.當(dāng)學(xué)習(xí)率為0.3、折扣因子為1、增益系數(shù)為0.002時(shí)，算法的優(yōu)化率較好，較原算法減少了198 982次計(jì)算，優(yōu)化率達(dá)到66.3%;當(dāng)學(xué)習(xí)率低于0.28時(shí)，雖然運(yùn)算次數(shù)有很大的減少，但結(jié)果會(huì)出現(xiàn)不收斂的情況.

為了更好地模擬真實(shí)環(huán)境，通過在地圖中設(shè)置各種不同的障礙物，如圖6的長條迷宮環(huán)境，圖10的梯形迷宮環(huán)境，圖14的十字形迷宮環(huán)境，然后在這3種不同環(huán)境中應(yīng)用無人機(jī)強(qiáng)化學(xué)習(xí)的避障算法和本文提出的基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障算法進(jìn)行實(shí)驗(yàn).圖6、圖10、圖14對(duì)應(yīng)的實(shí)驗(yàn)結(jié)果分別如圖7—圖9、圖11—圖13和圖15—圖17所示.從對(duì)比實(shí)驗(yàn)的迭代次數(shù)圖中可以發(fā)現(xiàn)：引入事件驅(qū)動(dòng)的控制機(jī)制后，無人機(jī)對(duì)于避障動(dòng)作的策略不需要按照固定的周期來決策;通過事件驅(qū)動(dòng)條件更新無人機(jī)的避障行動(dòng)，有效降低了無人機(jī)避障動(dòng)作決策的頻率以及對(duì)計(jì)算資源的消耗.因此，可以得出本算法具有搜索策略速度快、決策量少的優(yōu)勢.

4? ? 結(jié)論

本文提出了一種基于事件驅(qū)動(dòng)的無人機(jī)強(qiáng)化學(xué)習(xí)避障算法，側(cè)重于解決普通強(qiáng)化學(xué)習(xí)運(yùn)算次數(shù)過多的問題.通過加入事件驅(qū)動(dòng)，使得算法在相同時(shí)間內(nèi)可以明顯降低數(shù)據(jù)的通信次數(shù)，并且分析了該算法的主要參數(shù)對(duì)計(jì)算量優(yōu)化的影響.通過仿真實(shí)驗(yàn)說明了該算法可以在學(xué)習(xí)過程中減少策略遍歷次數(shù)，解決了強(qiáng)化學(xué)習(xí)無人機(jī)避障算法運(yùn)算次數(shù)過多的問題.

參考文獻(xiàn)

[1]? ? 徐亞妮，羅文廣，張亮.基于EPGA的四軸飛行器控制系統(tǒng)設(shè)計(jì)[J]. 廣西科技大學(xué)學(xué)報(bào)，2018，29（3）：50-56.

[2]? ? 陳艷，李春貴，胡波.一種改進(jìn)的田間導(dǎo)航特征點(diǎn)提取算法[J]. 廣西科技大學(xué)學(xué)報(bào)，2018，29（3）：71-76.

[3]? ? NARAYANAN V，JAGANNATHAN S. Event-triggered distributed control of nonlinear interconnected systems using online reinforcement learning with exploration [J]. IEEE Transactions on Cybernetics ，2018，48（9）：2510-2519.

[4]? ? SUTTON R S，BARTO A G. Reinforcement learning：an introduction[M]. Cambridge，MA，USA： MIT Press，1998.

[5]? ? SAHOO A，XU H，JAGANNATHAN S. Neural network-based adaptive event-triggered control of nonlinear continuous-time systems[C].2013 IEEE International Symposium on Intelligent Control （ISIC），2013：35-40.

[6]? ? WEN J Y，WANG C，XIE G M. Asynchronous distributed event-triggered circle formation of multi-agent systems[J].Neurocomputing，2018，295：118-126.

[7]? ? ASTROM K J，BO B. Comparison of periodic and event based sampling for first order stochastic systems[C]. Proceedings of IFAC World Congress，1999，83：301-306.

[8]? ? TABUADA P. Event-triggered real-time scheduling of stabilizing control tasks[J]. IEEE Transactions on Automatic Control，2007，52（9）：1680-1685.

[9]? ? DIMAROGONAS D V，F(xiàn)RAZZOLI E，JOHANSSON K H. Distributed event-triggered control for multi-agent systems[J]. IEEE Transactions on Automatic Control，2012，57（5）：1291-1297.

[10]? WANG X F，LEMMON M. Event-triggering in distributed networked control systems[J]. IEEE Transactions on Automatic Control，2011，56（3）：586-601.

[11]? SEYBOTH G S，DIMAROGONAS D V，JOHANSSON K H. Event-based broadcasting for multi-agent average consensus[J]. Automatica，2013，49（1）：245-252.

[12]? WANG J，ZHANG X M，LIN Y F，et al. Event-triggered dissipative control for networked stochastic systems under non-uniform sampling [J]. Information Sciences，2018，447：216-228.

[13]? GUO G，WENS X. Protocol Sequence and control co-design for a collection of networked control systems[J].International Journal of Robust and Nonlinear Control，2015，26（3）：489-508.

[14]? GUO G，LU Z B，SHI P. Event-driven actuators：to zero or to hold？[J].International Journal of Robust and Nonlinear Control，2014，24（17）：2761-2773.

[15]? GUO G，DING L，HAN Q L. A distributed event-triggered transmission strategy for sampled-data consensus of multi-agent systems[J]. Automatica，2014，50（5）：1489-1496.

[16]? DING D R，WANG Z D，DWC H，et al.Observer-based event-triggering consensus control for multiagent systems with lossy sensors and cyber-attacks[J]. IEEE Transactions on Cybernetics，2017，47（8）：1936-1947.

[17]? DONKERS M C F，HEEMELS W P M H. Output-based event-triggered control with guaranteed-gain and improved and decentralized event-triggering[J].IEEE Transactions on Automatic Control，2012，57（6）：1362-1376.

[18]? FITER C，HETEL L，PERRUQUETTI W，et al. A robust stability framework for LTI systems with time-varying sampling[J] Automatica，2015，54：56-64.

[19]? HU L，WANG Z D，HAN Q L，et al. Event-based input and state estimation for linear discrete time-varying systems [J]. International Journal of Conrtrol， 2018，91（1）：101-113.

[20]? PENG C，HAN Q L. On designing a novel self-triggered sampling scheme for networked control systems with data losses and communication delays[J]. IEEE Transactions on Industrial Electronics，2015，63（2）：1239-1248.

[21]? WANG X F，LEMMON M D. Self-triggered feedback control systems with finite-gain stability[J].IEEE Transactions on Automatic Control，2009，54（3）：452-467.

[22]? ZOU L，WANG Z D，ZHOU D H. Event-based control and filtering of networked systems：a survey[J]. International Journal of Automation & Computing，2017，14（3）：239-253.

[23]? VAMVOUDAKIS K G，F(xiàn)ERRAZ H. Model-free event-triggered control algorithm for continuous-time linear systems with optimal performance [J]. Automatica，2018，87：412-420.